基于跨客户端渐进式状态匹配的公平联邦医学图像分类方法

尽管联邦学习在医疗领域具有巨大的潜力，但跨机构图像质量不一致——源自少数客户端的低质量数据——会导致联邦模型偏向更常见的高质量图像。这引发了显著的公平性问题。现有的公平联邦学习方法通过对齐单一0阶或1阶收敛状态（例如训练损失或锐度）在一定程度上解决了此问题。然而，本文认为基于此类单一状态的公平性仍不足以作为测试期间公平性的充分替代品，因为这些单一指标未能完全捕捉收敛特性，导致其作为引导公平学习的指标次优。为此，我们提出了通用的框架。具体而言，我们提议使用多个状态来评估收敛，这些状态定义为在不同搜索距离处计算的锐度或扰动损失。基于这一全面评估，我们提出通过在客户端之间对这些状态实现公平性，以实现我们的终极公平性目标。这一目标通过提出的方法FedISM+实现。FedISM+中，搜索距离随时间演化，逐渐聚焦于不同状态。在本地训练和全局聚合中，我们纳入两个组件，以确保每个状态的跨客户端公平性。这样，收敛逐渐变得均等，从而提高测试期间的公平性。我们的实证评估在著名的RSNA ICH和ISIC 2019数据集上表明，FedISM+在公平联邦学习方面优于现有的领先方法。代码已在https://github.com/wnn2000/FFL4MIA上提供。